基于車載16線激光雷達(dá)的障礙物檢測(cè)方法

孔德明，段呈新，巴特·古森斯，王書濤

(1.燕山大學(xué) 電氣工程學(xué)院，河北省 秦皇島 066004；2.根特大學(xué) 通信與信息處理系，比利時(shí) 根特B-9000)

1 引 言

對(duì)周圍環(huán)境的可靠感知是汽車輔助駕駛系統(tǒng)的重要任務(wù)，能準(zhǔn)確檢測(cè)行駛區(qū)域內(nèi)障礙物目標(biāo)既是輔助駕駛的基礎(chǔ)，更是實(shí)現(xiàn)環(huán)境感知的前提[1]。在障礙物檢測(cè)技術(shù)中，視覺相機(jī)和激光雷達(dá)都是較為常見的傳感器[2]。與視覺相機(jī)相比，激光雷達(dá)不僅能夠迅速獲取大規(guī)模三維點(diǎn)云數(shù)據(jù)，提供環(huán)境的精確幾何信息，并對(duì)光照強(qiáng)度變化、天氣條件具有很強(qiáng)的魯棒性，因此在障礙物檢測(cè)任務(wù)中得到了廣泛應(yīng)用?；诩す饫走_(dá)的障礙物檢測(cè)可從單幀點(diǎn)云中區(qū)分不同障礙物所包含的點(diǎn)云數(shù)據(jù)，為后續(xù)的分類、跟蹤等任務(wù)提供支持[3]。

目前，激光雷達(dá)障礙物檢測(cè)主要有基于深度學(xué)習(xí)[4,5]和基于聚類[6]兩種方式。其中基于深度學(xué)習(xí)的方法雖然檢測(cè)精度高，但訓(xùn)練周期長且訓(xùn)練數(shù)據(jù)難以獲取，算法設(shè)計(jì)難度大；而聚類方法因其強(qiáng)穩(wěn)定性與實(shí)時(shí)性，廣泛應(yīng)用于檢測(cè)任務(wù)。國內(nèi)外學(xué)者對(duì)激光雷達(dá)聚類檢測(cè)算法進(jìn)行了大量研究，一般可分為基于特征、基于地面投影兩類[7]。第一類研究直接以點(diǎn)云的三維空間特征進(jìn)行聚類，該方法可以取得較好的聚類效果，但往往耗費(fèi)時(shí)間較長。如李永強(qiáng)等[8]提出了一種改進(jìn)的K均值聚類檢測(cè)算法，段建民等[9]利用改進(jìn)的密度聚類算法檢測(cè)汽車前方區(qū)域障礙物，但以點(diǎn)出發(fā)迭代查詢的時(shí)間復(fù)雜度高，這類方法更適用于少線束激光雷達(dá)數(shù)據(jù)；Sun Z等[10]采用固定距離閾值的方法完成多線雷達(dá)障礙物目標(biāo)聚類，運(yùn)算速度仍相對(duì)較慢。第二類研究將點(diǎn)云投影至俯視平面，以二維網(wǎng)格為單元進(jìn)行障礙物的聚類檢測(cè)，簡(jiǎn)單且高效，但其檢測(cè)結(jié)果過于依賴網(wǎng)格參數(shù)設(shè)置。如婁新雨等[11]采用改進(jìn)的二維網(wǎng)格空間方式聚類，以動(dòng)態(tài)距離閾值快速聚類障礙物，但網(wǎng)格參數(shù)無法自適應(yīng)調(diào)節(jié)，遠(yuǎn)距離障礙物檢測(cè)準(zhǔn)確率不高；謝德勝等[12]基于二維網(wǎng)格的八鄰域拓展進(jìn)行障礙物聚類，該方法耗時(shí)短，但網(wǎng)格劃分過大容易造成多障礙物目標(biāo)誤檢；為減小網(wǎng)格參數(shù)影響，B?rcs A等[13]采用多級(jí)網(wǎng)格聚類形式，在粗網(wǎng)格聚類結(jié)果上劃分子網(wǎng)格檢測(cè)障礙物，實(shí)驗(yàn)證明該算法實(shí)時(shí)性較高且具有一定魯棒性。

綜合來看，網(wǎng)格處理方式更能滿足多線激光雷達(dá)數(shù)據(jù)障礙物檢測(cè)的需求，但最佳網(wǎng)格分辨率難以確定，導(dǎo)致檢測(cè)結(jié)果存在一定的誤差。此外，原始雷達(dá)數(shù)據(jù)存在噪聲，點(diǎn)云分布不均勻，造成例如目標(biāo)輪廓缺失、形變等情況發(fā)生，嚴(yán)重破壞了障礙物目標(biāo)的幾何特性[13]，這導(dǎo)致單幀點(diǎn)云的檢測(cè)結(jié)果準(zhǔn)確率不足，穩(wěn)定性仍有待提高。

針對(duì)上述存在問題，為了提高16線激光雷達(dá)點(diǎn)云數(shù)據(jù)中障礙物目標(biāo)檢測(cè)準(zhǔn)確率，本文基于網(wǎng)格聚類的分析策略對(duì)障礙物檢測(cè)算法進(jìn)行了優(yōu)化設(shè)計(jì)。不同于傳統(tǒng)網(wǎng)格聚類，該算法在快速去除地面點(diǎn)及高結(jié)構(gòu)物體的基礎(chǔ)上建立兩級(jí)網(wǎng)格結(jié)構(gòu)，以粗網(wǎng)格聚類結(jié)果為中心，依據(jù)分布離散度自適應(yīng)的確定子網(wǎng)格分辨率，獲取稠密子網(wǎng)格最大連通分量得到精確檢測(cè)結(jié)果，并結(jié)合相鄰時(shí)刻障礙物的狀態(tài)信息對(duì)該結(jié)果進(jìn)行修正，提高檢測(cè)穩(wěn)定性。實(shí)驗(yàn)表明:該算法能有效抑制道路中其余物體點(diǎn)云干擾，同時(shí)改進(jìn)的網(wǎng)格聚類算法能大大緩解相鄰障礙物過分割、稀疏障礙物欠分割問題，實(shí)現(xiàn)障礙物的準(zhǔn)確檢測(cè)。

2 基本原理

本文提出的基于參數(shù)自適應(yīng)網(wǎng)格聚類的障礙物檢測(cè)算法分為以下4步進(jìn)行操作:地面點(diǎn)去除、高結(jié)構(gòu)物體提取、基于自適應(yīng)網(wǎng)格的目標(biāo)聚類和檢測(cè)結(jié)果修正。其中障礙物泛指在道路區(qū)域內(nèi)出現(xiàn)的例如車輛、行人等可能會(huì)對(duì)車輛行駛造成障礙的特定物體[14]。然而原始掃描數(shù)據(jù)中不可避免的會(huì)包含大量除障礙物以外的其他點(diǎn)云信息，如地面、建筑物等，這將嚴(yán)重影響算法速度及精度，需預(yù)先進(jìn)行濾除。

2.1 地面點(diǎn)去除

地面點(diǎn)云數(shù)據(jù)去除作為點(diǎn)云濾波的方式之一，是減少數(shù)據(jù)量及提高聚類檢測(cè)精度的有效手段。由于道路環(huán)境中存在具有小坡度或不平整的地面，無法直接采用設(shè)定高度閾值的基于形態(tài)學(xué)的濾波方法[15]實(shí)現(xiàn)地面點(diǎn)的有效去除。然而，基于分割的隨機(jī)抽樣一致性算法(random sample consensus,RANSAC)作為一種從樣本集中擬合數(shù)學(xué)要素的常用方法，高效且魯棒性好，因此在多種道路地面的適應(yīng)度更廣，但仍存在垂直物體(如建筑立面)干擾。為提高地面點(diǎn)檢測(cè)精度，本文結(jié)合規(guī)則八叉樹算法與RANSAC算法去除地面點(diǎn)。

規(guī)則八叉樹利用編碼將點(diǎn)云空間劃分為指定邊長的三維子立方體網(wǎng)格[16]，是一種描述三維空間的樹狀數(shù)據(jù)結(jié)構(gòu)。由于原始點(diǎn)云數(shù)據(jù)中含有大量干擾點(diǎn)云如灰塵、多路徑反射等粗差點(diǎn)[17]，通過規(guī)則八叉樹對(duì)點(diǎn)云預(yù)處理可在保證各點(diǎn)空間聯(lián)系的前提下去除粗差點(diǎn)，過濾大部分建筑物、植被等非地物點(diǎn)，降低數(shù)據(jù)量。對(duì)處理后的點(diǎn)云數(shù)據(jù)采用RANSAC算法估計(jì)地面參數(shù)，可極大的避免建筑立面或粗差點(diǎn)干擾。從點(diǎn)云中去除地面點(diǎn)的流程如圖1所示。

圖1 從點(diǎn)云中去除地面點(diǎn)的流程Fig.1 The process of removing ground point from point cloud

具體步驟如下:

步驟1:對(duì)圖1(a)中原始點(diǎn)云數(shù)據(jù)Pi(i∈1,2,…,n)建立規(guī)則八叉樹網(wǎng)格Tj(j∈1,2,…,n)如圖1(b)所示，為數(shù)據(jù)的后續(xù)處理構(gòu)建快速索引結(jié)構(gòu)。

步驟2:定義固定距離空間內(nèi)臨近點(diǎn)數(shù)量小于一定閾值的點(diǎn)為粗差點(diǎn)。測(cè)定局部空間Tj內(nèi)點(diǎn)云數(shù)量，若小于閾值，則認(rèn)為三維網(wǎng)格Tj內(nèi)點(diǎn)云為粗差點(diǎn)簇剔除[18]。

步驟3:考慮到實(shí)際應(yīng)用中激光雷達(dá)掃描情況，地面點(diǎn)存在于點(diǎn)云數(shù)據(jù)底層，標(biāo)記各垂直區(qū)域內(nèi)高度最小的網(wǎng)格為地面候補(bǔ)網(wǎng)格T如圖1(c)中橙色網(wǎng)格所示。這樣可有效排除立面及其他物體點(diǎn)云干擾，減小數(shù)據(jù)量。

步驟4:提取T中點(diǎn)云構(gòu)建集合S，采用RANSAC算法，從集合S中不斷隨機(jī)抽取點(diǎn)構(gòu)建平面方程并估計(jì)平面模型參數(shù)，找到滿足閾值的最佳模型平面點(diǎn)，標(biāo)記為地面點(diǎn)如圖1(d)所示。

2.2 高結(jié)構(gòu)物提取

對(duì)去除地面點(diǎn)后的點(diǎn)云進(jìn)行高結(jié)構(gòu)物提取。高結(jié)構(gòu)物體是指如交通標(biāo)志、建筑立面、路燈、樹木等高度較高的行駛區(qū)域外對(duì)象。采用二維網(wǎng)格為基礎(chǔ)單元統(tǒng)計(jì)高程信息，設(shè)定高度閾值為約束條件，快速區(qū)分目標(biāo)類型提取高結(jié)構(gòu)物，以排除干擾。

投影點(diǎn)云至XOY二維水平面，劃分該平面為m個(gè)邊長L的規(guī)則二維網(wǎng)格Grid，gi∈Grid(i∈1，2,…,m)。依據(jù)坐標(biāo)將點(diǎn)云Pi依次劃分入各網(wǎng)格gi內(nèi)，記錄各網(wǎng)格中點(diǎn)的最大高程值Hmax=max(Pi)、最大高度差Hc=max(Pi)-min(Pi)及點(diǎn)云數(shù)目Ng信息，并將Ng小于閾值(選取4個(gè)點(diǎn))的網(wǎng)格劃分為無效網(wǎng)格去除。若網(wǎng)格內(nèi)點(diǎn)的高程值Hmax大于預(yù)定義值，或最大高度差Hc大于閾值，則認(rèn)為該網(wǎng)格屬于高結(jié)構(gòu)物，提取該網(wǎng)格及其內(nèi)部點(diǎn)云。點(diǎn)云中高結(jié)構(gòu)物體提取效果如圖2所示，圖2(a)為去除地面點(diǎn)后的點(diǎn)云數(shù)據(jù)；圖2(b)為從點(diǎn)云中提取的高結(jié)構(gòu)物包括物建筑立面、路燈等。

圖2 點(diǎn)云中高結(jié)構(gòu)物體提取效果Fig.2 Extraction effect of tall structure objects in point cloud

2.3 自適應(yīng)網(wǎng)格聚類

在濾除了道路中其他物體點(diǎn)云干擾后，對(duì)剩余點(diǎn)云進(jìn)行聚類。由于16線激光雷達(dá)的分辨率隨著距離的增加而降低，導(dǎo)致點(diǎn)云數(shù)據(jù)分布稀疏不均，采用傳統(tǒng)固定分辨率的網(wǎng)格無法準(zhǔn)確聚類障礙物。分辨率過大會(huì)導(dǎo)致近距離網(wǎng)格內(nèi)包含多個(gè)障礙物目標(biāo)無法區(qū)分；分辨率過小易造成遠(yuǎn)距離稀疏障礙物過分割，且處理時(shí)間變長。為解決上述缺陷，本文建立兩級(jí)網(wǎng)格結(jié)構(gòu)優(yōu)化聚類算法，一方面，粗分辨率網(wǎng)格適用于對(duì)環(huán)境中候選障礙物對(duì)象的大小、位置進(jìn)行粗略估計(jì)；另一方面，細(xì)分粗網(wǎng)格為密集子網(wǎng)格，可有效計(jì)算障礙物子空間點(diǎn)云特征，從而得到準(zhǔn)確檢測(cè)結(jié)果；此外，本文對(duì)文獻(xiàn)[13]中多級(jí)網(wǎng)格聚類算法進(jìn)行優(yōu)化，針對(duì)不同空間特征的障礙物，采用自適應(yīng)方法確定子網(wǎng)格分辨率，提高適應(yīng)性與檢測(cè)準(zhǔn)確率。自適應(yīng)網(wǎng)格聚類流程如圖3所示。

圖3 自適應(yīng)網(wǎng)格聚類流程圖Fig.3 Multilevel adaptive clustering flowchart

具體處理過程如下:

(1)粗網(wǎng)格聚類

使用第2.2節(jié)中的初始分割結(jié)果，將剩余網(wǎng)格作為粗網(wǎng)格聚類區(qū)域。依次訪問粗網(wǎng)格單元gi的3×3鄰域網(wǎng)格grj(j∈1,2,…8)，以gi與相鄰grj的最大高程差H(gi,grj)=|Hmax(gi)-Hmax(grj)|為合并指標(biāo)，若H小于預(yù)定義值，則認(rèn)為gi和grj屬于相同的候選障礙物h，記錄h中的點(diǎn)云數(shù)量N。

(2)計(jì)算標(biāo)準(zhǔn)化離散度

選用點(diǎn)云數(shù)N初判斷，若N大于閾值，則該候選障礙物h可能包含多個(gè)物體，提取h進(jìn)行子網(wǎng)格細(xì)分。以提取的h為中心，引入標(biāo)準(zhǔn)化離散度作為子網(wǎng)格分辨率參數(shù)的評(píng)價(jià)指標(biāo)[19]。首先計(jì)算h第n維數(shù)據(jù)的離散度Fn，再利用h每一維度點(diǎn)云數(shù)據(jù)分布的總體標(biāo)準(zhǔn)差與均值的偏離程度描述，計(jì)算公式為

Fn=Tn/Cn

(1)

式中:Tn為候選障礙物h第n維數(shù)據(jù)的總體標(biāo)準(zhǔn)差；Cn為第n維數(shù)據(jù)的均值。

候選障礙物h標(biāo)準(zhǔn)化離散度F的形式化定義[19]為

(2)

式中:m=3代表障礙物h點(diǎn)的維度；F與離散程度成反比關(guān)系，F(xiàn)的值越小，則h離散程度越大。

(3)自適應(yīng)劃分子網(wǎng)格

充分考慮h的分布情況，建立標(biāo)準(zhǔn)化離散度F和子網(wǎng)格劃分比例因子W之間的函數(shù)關(guān)系為

(3)

式中Nh為候選障礙物h的點(diǎn)云數(shù)量。

將(3)式中對(duì)應(yīng)的比例因子W作為確定子網(wǎng)格分辨率的判定依據(jù)，即將粗網(wǎng)格劃分為邊長Ls=L/W的子網(wǎng)格gc，圖4為子網(wǎng)格劃分示意圖。

圖4 子網(wǎng)格劃分示意圖Fig.4 Schematic diagram of sub grid division

(4)基于網(wǎng)格密度聚類獲取障礙物目標(biāo)

圖5為依據(jù)上述步驟聚類得到的相鄰障礙物結(jié)果。傳統(tǒng)網(wǎng)格密度聚類結(jié)果均包含了相鄰多障礙物目標(biāo)，但根據(jù)自適應(yīng)網(wǎng)格算法可識(shí)別出低密度子網(wǎng)格區(qū)域(加黑方框)，得到準(zhǔn)確的多障礙物目標(biāo)檢測(cè)結(jié)果。

圖5 相鄰障礙物聚類結(jié)果Fig.5 Clustering results of adjacent obstacles

2.4 檢測(cè)結(jié)果修正

由于障礙物目標(biāo)h′大部分處于遮擋狀態(tài)，形態(tài)輪廓掃描不完整，僅依據(jù)單幀點(diǎn)云的自適應(yīng)網(wǎng)格聚類結(jié)果可能會(huì)造成誤檢。本文改進(jìn)了文獻(xiàn)[11]中的方法，將k時(shí)刻障礙物h′與k-1時(shí)刻聚類結(jié)果中距離最近的障礙物目標(biāo)hk匹配，通過計(jì)算障礙物包圍盒信息的相似度修正聚類所得的檢測(cè)結(jié)果。

首先擬合障礙物的包圍盒矩形，利用矩形中心點(diǎn)(x0,y0)表示障礙物，并獲得障礙物旋轉(zhuǎn)角度θ。由于障礙物目標(biāo)大部分具有初始位姿，直接計(jì)算或依據(jù)最小包圍盒無法正確描述其空間特征，因此在最小面積矩形區(qū)域基礎(chǔ)上，采用L形包圍盒[20]的方式擬合。

L形包圍盒擬合的基本思想是遍歷矩形的所有可能方向并找到包含所有點(diǎn)云的矩形。依據(jù)h′中的點(diǎn)到矩形邊長距離將點(diǎn)分為P、Q兩類，以點(diǎn)到邊長的平方誤差為目標(biāo)函數(shù)，取最小平方誤差為最佳結(jié)果，如式(4)。

subject toP∪Q={1,2,…,m},

c1,c2∈R,0°≤θ<90°

(4)

式中:xi、yi為第i個(gè)點(diǎn)云的X、Y軸坐標(biāo)值；θ為包圍盒旋轉(zhuǎn)角度；c1、c2是由θ確定的兩個(gè)正交邊上點(diǎn)的投影;R為實(shí)數(shù)集。

包圍盒高度由h′中點(diǎn)云數(shù)據(jù)Ph的最大高度差Hh=max(Ph)-min(Ph)確定。圖6為車輛障礙物的兩種包圍盒擬合結(jié)果，圖6(a)為最小包圍盒擬合結(jié)果，錯(cuò)誤估計(jì)了車輛的旋轉(zhuǎn)角度以及中心點(diǎn)，而圖6(b)的L形包圍盒擬合結(jié)果則準(zhǔn)確表示了車輛特征信息。

圖6 包圍盒擬合Fig.6 Enclosure box fitting

統(tǒng)計(jì)k時(shí)刻障礙物h′以及k-1時(shí)刻距離最近的匹配目標(biāo)hk的特征信息，其中包括:中心坐標(biāo)(x0,y0)、旋轉(zhuǎn)角度θ、運(yùn)動(dòng)速度v，計(jì)算公式[11]為

(5)

式中:(x0i,y0i)為k時(shí)刻第i個(gè)障礙物h′的中心坐標(biāo)；(x0j,y0j)為k-1時(shí)刻與h′匹配的第j個(gè)障礙物hk的中心坐標(biāo)；Δt為兩幀數(shù)據(jù)的時(shí)間差。

通過以上信息特征來計(jì)算兩物體相似度Rs，表達(dá)式[11]為

(6)

式中:vi、θi和vj、θj分為h′、hk的運(yùn)動(dòng)速度和旋轉(zhuǎn)角度；C1～C3代表3種信息的權(quán)重值。

當(dāng)相似度大于閾值時(shí)，判定相鄰時(shí)刻的匹配目標(biāo)對(duì)為同一障礙物。

3 實(shí)驗(yàn)及分析

本文所用驗(yàn)證數(shù)據(jù)集是在比利時(shí)普通城市道路環(huán)境開展的實(shí)驗(yàn)得到的，道路區(qū)域具有豐富地物目標(biāo)且行人稀少，路面較為平整、沒有較大的起伏。選用Velodyne公司的VLP-16型16線激光雷達(dá)檢測(cè)環(huán)境點(diǎn)云數(shù)據(jù)。

為驗(yàn)證本文基于自適應(yīng)網(wǎng)格聚類算法的檢測(cè)效果，與現(xiàn)有文獻(xiàn)[13]中多級(jí)網(wǎng)格聚類算法進(jìn)行對(duì)比分析。選取30組寬闊、狹窄、十字路口街道內(nèi)道路環(huán)境數(shù)據(jù)，分別采用2種算法對(duì)障礙物進(jìn)行檢測(cè)。其中特別針對(duì)不同距離的多障礙物、稀疏障礙物場(chǎng)景進(jìn)行重點(diǎn)分析研究。檢測(cè)結(jié)果如圖7和圖8所示，障礙物成獨(dú)立塊狀形態(tài)，不同包圍盒模型代表不同類簇，灰色為地面點(diǎn)及其他地物。

圖7 近距離多障礙物聚類結(jié)果Fig.7 Clustering result of near distance multi-obstacles

圖8 遠(yuǎn)距離稀疏障礙物聚類結(jié)果Fig.8 Clustering result of distance sparse obstacles

文獻(xiàn)[13]中選用固定比例因子W=3劃分子網(wǎng)格。在16線激光雷達(dá)點(diǎn)云數(shù)據(jù)中，由于掃描所得數(shù)據(jù)點(diǎn)較少且分布稀疏不均，固定比例因子易造成子網(wǎng)格密度特征不準(zhǔn)確進(jìn)而影響檢測(cè)結(jié)果。如圖7(a)所示，標(biāo)記的相鄰多車輛障礙物由于子網(wǎng)格均滿足高密度閾值(灰色方框)，故誤檢為一類；而依據(jù)本文方法判斷其粗聚類結(jié)果分布離散程度小，自適應(yīng)選取細(xì)分比例因子W=4，細(xì)分后的子網(wǎng)格識(shí)別出了低密度分割線(加黑方框)，并利用前一時(shí)刻結(jié)果修正，準(zhǔn)確檢測(cè)兩類障礙物如圖7(b)所示。

在遠(yuǎn)距離稀疏車輛障礙物場(chǎng)景中，標(biāo)識(shí)出的點(diǎn)云由于子網(wǎng)格劃分過小導(dǎo)致低密度網(wǎng)格(加黑方框)出現(xiàn)，將該障礙物誤檢為兩類如圖8(a)所示；本文方法判斷其分布離散程度大，劃分較大子網(wǎng)格，并結(jié)合k-1時(shí)刻與其匹配障礙物的狀態(tài)信息，準(zhǔn)確檢測(cè)該稀疏障礙物如圖8(b)所示。

圖9為不同環(huán)境下，基于自適應(yīng)網(wǎng)格聚類算法、結(jié)合相鄰數(shù)據(jù)修正后的檢測(cè)結(jié)果，圖中采用盒模型表示檢測(cè)所得的障礙物。觀察可知，在不同環(huán)境與距離下，本文算法都能對(duì)車輛行駛道路中障礙物進(jìn)行較準(zhǔn)確的檢測(cè)。

為了進(jìn)一步衡量算法的準(zhǔn)確度，采用準(zhǔn)確率作為評(píng)價(jià)指標(biāo)對(duì)障礙物檢測(cè)結(jié)果進(jìn)行定量評(píng)價(jià)。人工標(biāo)記30組道路中301個(gè)障礙物，作為準(zhǔn)確率P計(jì)算的參考，文獻(xiàn)[7]對(duì)P進(jìn)行了描述。

P=As/A

(7)

式中:As為準(zhǔn)確分割的障礙物數(shù)目；A為障礙物總數(shù)目。

圖9 4類場(chǎng)景下障礙物檢測(cè)結(jié)果Fig.9 Detection result of obstacles in four scenes

分別通過2種算法進(jìn)行準(zhǔn)確統(tǒng)計(jì)計(jì)算，得出障礙物檢測(cè)的準(zhǔn)確率P，見表1。

表1 障礙物檢測(cè)準(zhǔn)確率Tab.1 Accuracy of obstacles detection (%)

由表1數(shù)據(jù)可知:與文獻(xiàn)[13]中的算法相比，本文算法的檢測(cè)準(zhǔn)確率更高，障礙物檢測(cè)更加完整。3種道路下本文算法的準(zhǔn)確率均得到了提升，檢測(cè)準(zhǔn)確率整體提高了5%。

4 結(jié) 論

針對(duì)16線激光雷達(dá)數(shù)據(jù)中障礙物目標(biāo)誤檢率較高的問題，提出一種基于自適應(yīng)多級(jí)網(wǎng)格聚類的障礙物檢測(cè)方法:快速去除地面點(diǎn)與高結(jié)構(gòu)物；根據(jù)粗網(wǎng)格聚類結(jié)果空間分布情況，建立分布離散度和子網(wǎng)格細(xì)分比例因子之間的對(duì)應(yīng)關(guān)系，自適應(yīng)確定子網(wǎng)格分辨率并獲取稠密子網(wǎng)格最大連通區(qū)域；結(jié)合相鄰時(shí)刻特征信息修正結(jié)果，完成障礙物的準(zhǔn)確檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)91%。

對(duì)不同道路場(chǎng)景的16線車載點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明:在近距離密集與遠(yuǎn)距離稀疏點(diǎn)云環(huán)境下均可進(jìn)行障礙物的準(zhǔn)確檢測(cè)。解決了傳統(tǒng)聚類易造成的障礙物目標(biāo)欠分割或過分割問題，改善了因激光雷達(dá)分辨率隨距離變化的點(diǎn)云稀疏不均導(dǎo)致的檢測(cè)不準(zhǔn)確情況。并與改進(jìn)的網(wǎng)格聚類方法進(jìn)行了對(duì)比，進(jìn)一步驗(yàn)證了本文方法的有效性。